Rasmus Fensholt er professor ved Institut for Geovidenskab og Naturressourcer på Københavns Universitet og han har brugt sit arbejdsliv på at forske i brugen af satellitbilleder i forhold til hvordan vi bruger vores naturressourcer her på kloden. Derfor er han en af dem, man skal spørge, hvis man vil vide noget om, hvordan man kan bruge kunstig intelligens (AI) til at finde svar på de klimaudfordringer vi står overfor. I den tid Rasmus Fensholt har arbejdet med området, er der sket en rivende udvikling og mængden af data der kan sige noget om fx klodens træer er i eksplosiv udvikling. En af de ting, som AI er god til er at gennemse og analysere store mængder data og derfor har det været naturligt, at inddrage AI i Rasmus Fensholts forskning.
AI-Portalen: Og det er også der at indgangsvinklen eller skæringspunktet med kunstig intelligens for dit vedkommende kommer ind i billederne?
Rasmus Fensholt: Ja, det er det lige præcis. Fordi muligheden for at analysere satellitbilleder har vi jo arbejdet med i mange år. Med at prøve at hive den relevante information ud af de her billeder for at besvare de spørgsmål vi måtte være interesseret i at besvare f.eks. om der bliver mere skov eller mindre skov på vores jordklode eller om ørkenerne breder sig eller om de trækker sig sammen og den slags store spørgsmål i forhold til hvad vi som global befolkning og klimaændring gør ved vores globale vegetationsressourcer. Indenfor de sidste 5 år, har det vist sig, at kunstig intelligens lige pludselig har været i stand til at hjælpe os med at analysere de her satellitbilleddata på en måde, som har gjort det nemmere for os dels at håndtere de stadig stigende mængder af data, vi skal analysere, men faktisk også gør os i stand til at analysere dem på en smartere måde end vi har kunnet tidligere.
AI-Portalen: Nu ved jeg godt at du ikke sidder med den tekniske del, men kan du blive lidt mere konkret på hvordan I bruger den kunstige intelligens i forhold til jeres forskningsområde?
Rasmus Fensholt: Satellitbilleder er jo en type af information som er todimensionel, kan man sige. Vi arbejder med information om vores jordklode, hvor et satellitbillede er et digitalt billede som består af det vi kalder pixels. Hvor hver enkelt pixel i sådan et billede indeholder noget information om beskaffenheden af vores jordklode et givent sted på jorden. Der bruger vi fx kunstig intelligens til at analysere, hvad er overfladetypen på et givent sted på jordkloden. Der har vi i mange år benyttet os af det, der hedder maskinlæring, altså hvor vi sætter en computer til at hjælpe os med at fortolke sådan et satellitbillede. Men kunstig intelligens er overlegent i forhold til de klassiske maskinelæringsalgoritmer, vi har benyttet os af. Blandt andet fordi kunstig intelligens kan kigge både i rum, altså i afstand i sådan et billede, og også kigge i tid samtidig, hvis vi har satellitbilleder fra mange forskellige tidspunkter. Der har det vist sig at kunstig intelligensalgoritmer er i stand til at lave kortlægningsopgaver på en langt mere kvalificeret vis end den type maskinlæring vi traditionelt set har benyttet os af.
AI-Portalen: Hvor er det I ser nogle muligheder i anvendelsen her? Du siger I kan se over tid osv., men kan man blive mere konkret på hvad det kan bruges til? Hvad skal de her data som I får bruges i forhold til?
Rasmus Fensholt: Vi har fået flere og flere data tilgængelige og mængden af satellitbilleder er eksploderet over de sidste 10 år. Fra jeg var studerende og kunne hygge mig med et enkelt satellitbillede, som måske dækkede et lille hjørne af et land i Vestafrika, har vi i dag dataarkiver som dækker hele vores jordklode og går over 40 år tilbage. Det betyder, at vi er i stand til meget detaljeret at kortlægge hvordan vores naturressourcer på global skala har ændret sig over de sidste 40 år.
Den information vil vi også gerne bruge til at blive klogere på at forstå, hvad årsagerne er til de her ændringer. Og i sidste ende, hvis vi forstår årsagerne, så er vi også bedre i stand til at kunne sige noget om, hvad der venter i fremtiden. Der kan vi bruge satellitbilledanalyser, altså billedmateriale kombineret med kunstig intelligens. Et konkret tilfælde kunne fx være kortlægning af jordklodens skove og træer. Traditionelt set har jeg og mine kolleger været i stand til at kortlægge skove på global skala igennem mange år. I og med at vi nu har satellitbilleder med en meget høj rumlig opløsning, altså en stor detaljegrad, så er vi i stand til ikke bare at sige noget om, hvad er en skov og hvad er ikke en skov, men vi er i stand til at kortlægge alle de enkelte træer.
Det kan vi gøre på kontinentalskala, og vi har forskning i gang i øjeblikket, hvor vi gerne vil gøre det på global skala. Vi kan faktisk kortlægge hver enkelt træ på jordkloden. En af fordelene ved at kunne gøre det er, at der findes et væld af forskellige definitioner på, hvor mange træer der skal være i et givent område, for at det kan karakteriseres som en skov og det gør, at der findes mange forskellige og modstridende estimater of klodens skovarealer. Men når vi kan kortlægge de enkelte træer, så har vi byggeklodserne til at kunne strømline de forskellige definitioner og dermed kunne skabe større konsistens i informationer om skovarealer.
En anden fordel er i forhold til, når vi har snakket skovressourcer på global skala, som er uløseligt forbundet med klimakrisen i forhold til, at jo mere skov vi har på jordkloden, jo mere karbon, altså kulstof fra atmosfæren binder skovene. Derfor er vi meget interesserede i at vide, hvor mange træressourcer, vi har på jordkloden. Men der har det faktisk vist sig, at ved hjælp af de her analyser, at vi i og med kan kortlægge ikke bare skove, men faktisk enkelte træer. Både du og jeg ved, at der findes masser af træer ude i naturen, som ikke er en del af en skov. I flere lande er det op til en fjerdedel eller en tredjedel af den samlede træ ressource, som faktisk ikke har været kortlagt som en del af en skov, men er lige så vigtige i forhold til klimakrise og imødegå klimaændringer i forhold til, at de binder kulstof osv.
Vi vidste godt alle sammen, at der er træer uden for skovene, men det er ikke noget, som har været med i de opgørelser, man har lavet.
AI-Portalen: Så er det rigtigt forstået, at det, hvor I gerne vil hen, det er på den ene side at forstå, hvad er det, der er sket, hvad er grundene til den udvikling, I har set, og samtidig måske også at sige, hvordan kan vi så anvende den viden til at imødegå klimakrisen?
Rasmus Fensholt: Ja, helt præcist, fordi vi vil gerne, at de her redskaber kunne blive brugt som et styringsredskab i forhold til at træffe kvalificerede beslutninger. Og der er det altså langt hen ad vejen sådan, i hvert fald ifølge min overbevisning, at du træffer de bedste beslutninger på et informeret grundlag. Og der snakker vi altså her selvfølgelig om et grundlag, som så i højere grad er datadrevent, end vi har været vant til tidligere. At vi er i stand til at skaffe os information omkring nogle essentielle ting for vores klima og klimaændringer, som gør os i stand til at træffe nogle mere kvalificerede beslutninger.
AI-Portalen: VI har været lidt inde på det allerede, men måske kan du sige noget om, hvordan I kan bruge jeres resultater til at imødegå klimakrisen? Til at finde nogle løsninger?
Rasmus Fensholt: Ja, helt konkret kører der i øjeblikket nogle politiske initiativer, hvor man arbejder med nogle modeller, hvor man kan kompensere den enkelte landmand ude i verden for at lade træerne stå på hans markjord. Vi er jo så godt klar over, at hvis han skal lade træerne stå så kan det være, at han mister en økonomisk gevinst , fordi han ellers kunne have brugt den her jord til at dyrke nogle afgrøder, han kunne have tjent penge på.
Så der arbejdes politisk med at skabe nogle modeller, hvor man så typisk i den vestlige verden som firma kan købe aflad, om man så må sige, at man køber nogle kulstofkrediter, og de penge man så køber dem for, de skal så komme den lokale landmand til gode et eller andet sted i den tredje verden. Og hvis man skal have sådan et system til at fungere, så kræver det altså at der er forskellige ben i det man kalder MRV (Monitoring Reporting and Verification), som er på plads. De tre ben er nødvendige at få styr på, før man kan forestille sig, at sådan et system kommer til at fungere. Og her er altså kunstig intelligens og satellitbilleder en meget væsentlig byggeklods i at kunne få sådan et system til at fungere.
Forestil dig, at vi nu er i stand til at kortlægge enkelte træer på en landmands markområder et sted i Sydøstasien eller Sydamerika eller Afrika, så er vi i stand til at kunne skabe det datafundament, der skal til for, at man kan lave nogle fair aftaler omkring de her ting.
AI-Portalen: Nu siger du, at det er i princippet ikke nyt at bruge satellitbilleder osv., så er der måske allerede i dag nogle steder, hvor man bruger de her data aktivt? Jeg kunne måske forestille mig noget med moderat træplantning eller et eller andet, altså udnyttelsen af den vidne om skov og deres effekter på klimaet.
Rasmus Fensholt: Ja, det ville jo være helt oplagt, at man brugte satellitbilleder lige præcis til det, som du siger her, men det har faktisk ikke været tilfældet. Det er der forskellige årsager til. Dels er det sådan, at den type satellitbilleder, man har skulle bruge til at kortlægge så detaljeret som enkelte trækroner, er kommercielle billeder og koster typisk rigtig mange penge. Så derfor har det været svært at lave et system, som kunne række ud over at være et helt lokalforankret system. Hvis man skulle sige noget om succesen af træplantningsprojekter for større områder, så er det simpelthen for dyrt i forhold til at bruge den her type satellitbilleder. Men der er altså en rivende udvikling i gang inden for det her. Vi går imod at have adgang til billedinformation fra det, der kaldes nanosatellitter, altså hvor vi har hundredvis af små og billige satellitter til at overvåge vores jordklode, som af den vej gør, at det også er billigere at få data med den her detaljegrad. Vi er i gang med det i de her år og vi får som forskningsinstitution her på vores institut rigtig mange henvendelser fra private firmaer, som gerne vil ind i det her game omkring MRV. Hvis de her private firmaer vil slå sig op på at kunne bidrage med de her løsninger, så er de super interesserede i den teknologi, vi er i gang med at udvikle her, fordi de kan se potentialet i, at det føder direkte ind i forbedret håndtering af sådanne træplantningsprojekter.
Jeg kan komme med et eksempel fra ørkenspredning i det område, der hedder Sahel, som er alle de lande, der krydser det afrikanske kontinent syd for Sahara. Der har man arbejdet i mange år med målrettet naturgenopretning i forhold til ørkens spredning, det samlet går under navnet Great Green Wall projekt. Der har været nogle projekter, som har løbet over 10-15 år, hvor f.eks. verdensbanken har brugt rigtig mange økonomiske ressourcer på de her projekter. Summa summarum er, at man står tilbage her i dag og ved faktisk ikke rigtigt, hvad effekten er af de her projekter, fordi man ikke har været i stand til at kunne monitorere, om det har været en succes eller ej. Der er indikatorer, der viser, at kun 15% af alle de her millioner af træer, der er blevet plantet, har overlevet. Men der bliver vi nødt til at arbejde direkte med den her type analyse, som vi er i gang med at udvikle her, for at kunne få svare på det.
AI-Portalen: Men I er jo ikke det eneste, altså det er jo en on-going debat i øjeblikket, hvordan man skal bruge kunstig intelligens i forhold til klimakrisen. Så er du opmærksom på andre projekter, du synes er spændende på det her område?
Inden for miljøressourcer generelt og satellit-billedanalyser, så har jeg primært beskæftiget mig med vegetationsressourcer, men nogle af mine kolleger her på instituttet, men også rundt omkring i verden, har også stort fokus på globale vådområder og vores globale vandressourcer, hvor det bliver en stigende vigtig ressource, vand, hvor vi kan få forbedret information, fuldstændig analogt til at studere skove og træer, så i forhold til vådbundsområder, som jo er væsentlige både for klimaet, men også i forhold til biodiversitet og generelt ressourcer for de mennesker, som bor i nærheden af vådbundsområder. Der er det helt parallelt her, at kunstig intelligens og satellitbilleder vil kunne hjælpe os med naturgenopretning, hvordan vi skal optimere det her samspil, der bliver nød til at være mellem brugen af landbrugsarealer og bevaring af vådbundsområder.
Vi bor i en verden, der til stadighed bliver befolket af flere og flere mennesker, og der kommer et stigende pres på vores fødevareressourcer, det har der været igennem årtier, og det ser ikke ud til at aftage, ikke mindst på det afrikanske kontinent. Der er det vigtigt at have nogle overvågningsredskaber, som det vi taler om her, i forhold til at kunne træffe intelligente beslutninger om, hvordan vi passer på vores ressourcer på den ene side, men på den anden side ikke også ender i en situation, hvor der ikke er plads til og mulighed for at dyrke de fødevarer, der er brug for.
AI-Portalen: Hvis vi så skal se frem i 50 år, hvis vi nu tager de optimistiske briller på, hvordan ser klimaet så ud, og hvordan har vi brugt kunstig intelligens til at løse de problemstillinger, vi står overfor?
Rasmus Fensholt: Jeg håber, at det har gjort os i stand til at tage nogle skridt i den rigtige retning. Jeg tror ikke på, at kunstig intelligens på nogen måde kan løse vores klimakrise som enkeltstående fænomen, men det kan forhåbentlig hjælpe os med at træffe nogle beslutninger, som afbøder de effekter, vi ser i øjeblikket. Kunstig intelligens kan hjælpe os med at analysere de data, vi har på en måde, hvor det kan gøre os i stand til at se nogle sammenhænge i forhold til årsag og virkning i forhold til miljøressourcer, som vi måske ikke kendte i forvejen.
Kunstig intelligens har også den begrænsning, som det er i øjeblikket, at det er lidt det, vi kalder en black-box i forhold til forståelsen af de processer, som vi kortlægger. Kunstig intelligens kan, via den måde, det fungerer på med at kunne analysere gigantiske datamængder på samme tid, bidrage til at gøre os klogere på, at der måske kunne være nogle sammenhænge, som vi ikke kendte i forvejen, men det er op til os selv stadigvæk som forskere at prøve at finde ud af, hvad det er for nogle årsagssammenhæng, der er på spil. Det bliver ikke direkte skrevet ud af de analyser, som kunstig intelligens genererer. Så derfor tror jeg, at hvis vi ser på den lange bane i forhold til om 50 år fx, så skal vi arbejde med det, vi kalder procesforståelsen. Vi som mennesker er i stand til at forstå, hvad årsagen er til, at tingene ændrer sig, som de gør. Vi har vores procesforståelse som forskere, og den skal vi ikke smide ud med badevandet i forhold til, at kunstig intelligens er kommet ind som en medspiller. Vi skal prøve at bruge de her redskaber med en synergi, så kunstig intelligens kan hjælpe os med at guide vores procesforståelse. Men også den anden vej rundt, at vi med vores procesforståelse måske også skal luge ud i nogle af de mest vilde, sindssyge sammenhænge, som kan opstå ved hjælp af kunstig intelligens, som i virkeligheden ikke viser sig at have nogen gang på jorden, men har været et tilfældigt sammentræf af data, som ikke hænger sammen med den årsagsvirkning, som vi som mennesker kan forklare.
AI-Portalen: Kan du ud fra den viden, du har fået gennem din forskning, kan du så sige noget om, hvad er det for nogle ændringer, der skal til for at imødekomme klimakrisen? Nu tænker jeg både som samfund, som i nationalt, men også internationalt. Hvad er det for nogle ændringer, der skal til? Hvad er det for nogle lovgivninger, der skal vedtages?
Rasmus Fensholt: Vi skal i hvert fald forstå, at den forøget mængde CO2, vi har pumpet ud i atmosfæren de sidste 150 år, har nogle langsigtede konsekvenser. Og selvom vi var i stand til at slukke for CO2-knappen i dag, så kører toget stadig 20-30 år i fremtiden i forhold til de effekter, der vil være af den CO2, der allerede er i atmosfæren. Så vi skal forstå, at hvis vi skal løse det her på den lange bane, så er det en global udfordring, vi står foran. Derfor er det væsentligt, at vi fx får lavet nogle politikker, hvor det kommer alle til gode økonomisk fx, hvis man laver nogle indgreb i forhold til at nedbringe mængden af CO2 fx. Så kan det ikke nytte noget, at vi tror, at vi kan betale os fra det, så vi bare eksporterer problemet et andet sted hen.
Det er klart, at CO2 i atmosfæren og vores evne til at binde CO2 fx i naturlig bevoksning ikke kender til nationalgrænser. CO2’en bevæger sig frit, og derfor bliver vi nødt til at løfte i fællesskab på global skala, hvis vi skal prøve at få gjort noget ved den her problemstilling. Det er helt essentielt i forhold til politikker fx i Europa. I øjeblikket er vi i gang med at vedtage nogle EU-politikker omkring, at vi ikke må importere varer, som er blevet produceret som en konsekvens af, at der er foretaget afskovning et andet sted på jorden. Det er sådan nogle ting, vi bliver nødt til at forholde os til, fordi ellers eksporterer vi som sagt bare problemet et andet sted hen. Det er en global udfordring, der kræver globale løsninger.
AI-Portalen: Nu har vi forsøgt at forholde os positivt til det her, og se mulighederne, og hvad kan vi gøre? Kan man sige noget om, hvad sker der, hvis ikke vi anvender de her data? Hvis ikke vi får gjort noget?
Rasmus Fensholt: Jeg tror, at det at kunne træffe beslutninger, som er velinformerede, empirisk forankrede, kan gøre os i stand til at navigere på et politisk niveau, og navigere på en måde, som bliver mindre polariseret, end den måske har været, når vi kigger tilbage i tiden historisk.
Det bliver for nemt at have sådan nogle optrukne fronter, hvor det er meget polariseret, at man slår hinanden i hovedet, og nogen siger, at det hele kollapser, og at verden er af lave, mens nogle andre står og siger, at det ikke er så slemt. Der håber jeg på, at vi er i stand til at skabe et langt bedre fundament for at forstå, hvad det er, vi som mennesker gør ved vores naturlige økosystemer og vores globale miljø her. Der tror jeg, at det bliver nemmere at træffe nogle politiske beslutninger, hvis de foregår på et informeret grundlag. Det er mit håb i hvert fald.
Jeg synes, det er vigtigt at pointere, at kunstig intelligens i hvert fald pt. ikke mere intelligent end som så, end at det er en måde, hvormed vi kan analysere en stadig stigende mængde af relevant data. Men det er heller ikke mere intelligent end som sådan, fordi det er stadig inden for kategorien, vi kalder machine learning, hvor det resultat, vi får ud, er en konsekvens af empirisk analyse af data. Så det er ikke svaret på alt på nogen måder. Der er stadig plads til os som forskere. Der er stadig brug for os som forskere i forhold til, at vi skal guide de her analyser i forhold til, at vi har en forståelse af processer, hvordan naturen fungerer, som kunstig intelligens, i hvert fald pt. ikke er i stand til. Og det er der, vi skal være forberedt på at hjælpe meget med.
AI-Portalen: Så kunstig intelligens kan levere vide, men det er os som forskere, som politikere, som borgere, der skal træffe beslutningerne om, hvilken vej, vi skal gå?
Rasmus Fensholt: Det er det i høj grad.
Share